Statistical characterization of continuous wavelet transform derived spiking activity from in-vitro human neural networks improves classification of LRRK2-mutated cells

Multi-Electrode Array (MEA) has become a widely used technology for assessing both the activity of in-vivo and in-vitro neural cells. In-vitro neural networks have been employed as a mean for studying how genetic mutations related to neurodegenerative disorders impact the electro-physiological be haviour of the cells. The scientific community has identified the G2019S mutation on the LRRK2 gene as a common cause of neurodegeneration in subjects affected by Parkinson’s disease. This work presents a statistical characterization of the spiking activity of in-vitro human neural networks carrying the G2019S as compared to a control population of healthy cells. The neurons have been cultured on a microfluidic chip integrated onto a customized MEA, and their activity has been recorded during a Baseline phase and after 24 hours from a stimulation through Kainic Acid. The acquired signals are processed by a newly developed spike sorting approach based on spike detection algorithm that uses Continuous Wavelet Transform. Then, the DBSCAN clustering algorithm has been used to automatically sort the results. The obtained spike trains have been modeled using the Point Process framework, assessing the goodness-of-fit of known state-of-art stochastic distributions by using the Kolgomorov-Smirnov test. Thus, the Inverse Gaussian model has been chosen as the best model and the features of each spike train estimated with the Hamiltonian Monte Carlo Sampling algorithm. Classification tasks have been performed to distinguish LRRK2-mutated and healthy cells based on the statistical parameters estimated. The results obtained show an improvement compared to previous works, with an accuracy of 96.15 reached for the Random Forest classifier for the binary discrimination. Moreover, the same trend was depicted in the multiclass classification for the data acquired after 24 hours from the stimulation, with an accuracy equal to 74.80. Finally, a greater firing activity has been observed in mutated cells compared to the Baseline stage, whereas a considerable drop after the neurotoxic insult was found.

I Multi-Electrode Array (MEA) sono divenuti una tecnologia ampiamente diffusa per la valutazione di cellule neuronali in-vivo e in-vitro. Le reti neurali in-vitro sono state impiegate come mezzo per studiare gli effetti di mutazioni genetiche correlate a disordini neurodegerativi aventi un impatto sul comportamento elettro-fisiologico delle cellule. La comunità scientifica ha identificato la mutazione G2019S sul gene LRRK2 come una causa comune di neuro-degenerazione in soggetti affetti dal morbo di Parkinson. Questo lavoro di tesi presenta un’analisi dell’attività di spiking di reti neurali umane in-vitro aventi la mutazione G2019S. Esse sono confrontate con una popolazione controllo di cellule sane. I neuroni sono stati coltivati su un chip microfluidico integrato in un MEA con un layout personalizzato. I segnali acquisiti sono processati per mezzo di un metodo di spike sorting implementato che si basa su un algoritmo di identificazione degli spike che utilizza la Continuous Wavelet Transform. L’algoritmo di clustering DBSCAN è stato quindi impiegato per identificare automaticamente i neuroni. I treni di spike così ottenuti sono stati modellizzati tramite Point Process, valutando la qualità della modellizzazione di distribuzioni stocastiche note in letteratura tramite il test di Kolgomorov-Smirnov. Il modello Gaussiano Inverso è stato quindi scelto e le feature di ogni treno di spike stimate tramite l’algoritmo di sampling Hamiltonian Monte Carlo. Tramite l’impiego di modelli di machine learning, delle classificazioni sono state effettuate per distinguere le cellule mutate dalle cellule sane sulla base dei parametri statistici stimati. I risultati ottenuti mostrano un miglioramento rispetto a lavori precedente con un’accuratezza di 96.15 raggiunta per il modello Random Forest per la classificazione binaria. Inoltre, risultati analoghi sono stati ottenuti per la classificazione multi-classe per I dati acquisiti dopo 24 ore dalla stimolazione delle reti per mezzo di acido Kainico, con un’accuratezza di 74.80. In ultima istanza, una maggiore attività è stata osservata nelle cellule mutate durante la fase di baseline, mentre una considerevole diminuzione della stessa è stata riscontrata dopo l’insulto neurotossico.